論文の概要: RoadVGGT: Road-Structure-Aware Feed-Forward Road Surface Reconstruction
- arxiv url: http://arxiv.org/abs/2607.23758v1
- Date: Sun, 26 Jul 2026 17:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.220295
- Title: RoadVGGT: Road-Structure-Aware Feed-Forward Road Surface Reconstruction
- Title（参考訳）: RoadVGGT:道路構造を考慮したフィードフォワード路面再構成
- Abstract要約: RoadVGGTは、テスト時間ごとの最適化なしに、コンパクトなガウスの路面を再構築するフィードフォワードフレームワークである。
RGBとセマンティック・バードズ・アイ・ビュー・マップ、標高推定、新しいビュー・シンセサイザーをサポートする。
- 参考スコア（独自算出の注目度）: 18.76852385853567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale road surface reconstruction supports high-definition mapping, autonomous-driving perception, annotation, and simulation. Existing road-specialized optimization methods can produce high-quality road representations, but they typically require per-scene training and scene-dependent coverage design around the driving trajectory, limiting scalable reconstruction over newly collected roads. To address these limitations, we introduce RoadVGGT, a road-structure-aware feed-forward framework that reconstructs compact Gaussian road surfaces without test-time per-scene optimization. RoadVGGT uses a geometric foundation model to exploit multi-view images together with provided pose and depth observations, and predicts dense pixel-aligned Gaussian attributes through a learned Gaussian head. To make these dense predictions usable for large road surfaces, we align them into a consistent metric world coordinate system and fuse redundant Gaussians on the road-aligned XY plane through confidence-weighted grid fusion. Category-aware grouping and road--sidewalk junction protection further control fusion around vulnerable road structures. The resulting representation supports RGB and semantic bird's-eye-view maps, elevation estimation, and novel view synthesis. RoadVGGT eliminates the need for per-scene optimization in prior methods, reconstructs complete road surfaces with a compact Gaussian representation, and improves image quality, semantic mapping, and elevation accuracy. Extensive experiments demonstrate the potential of geometric foundation models for scalable feed-forward road surface reconstruction.
- Abstract（参考訳）: 大規模な道路表面の再構築は、高精細マッピング、自律認識、アノテーション、シミュレーションをサポートする。
既存の道路特化最適化手法は、高品質な道路表現を生成することができるが、通常は、走行軌道の周囲にシーン毎の訓練とシーン依存のカバレッジ設計が必要であり、新たに収集された道路のスケーラブルな再構築を制限している。
これらの制約に対処するため,道路構造を意識したフィードフォワードフレームワークであるRoadVGGTを導入する。
RoadVGGTは幾何学的基礎モデルを用いて、多視点画像とポーズと深度観測を併用し、学習されたガウスの頭を通して密度の高いガウスの属性を予測する。
道路面の密接な予測を大規模道路面に利用できるようにするため,信頼重み付きグリッド融合により,一貫した計量世界座標系に整列し,路面整列XY平面上に冗長なガウスを融合させる。
カテゴリー対応グループ化と道路サイドウォークジャンクション保護は、脆弱な道路構造物周辺の融合をさらに制御する。
結果として得られた表現は、RGBとセマンティック・バードズ・アイ・ビュー・マップ、標高推定、および新しいビュー・シンセサイザーをサポートする。
RoadVGGTは、以前の手法ではシーンごとの最適化の必要性を排除し、コンパクトなガウス表現で完全な路面を再構築し、画質、セマンティックマッピング、標高精度を向上させる。
大規模実験は、スケーラブルなフィードフォワード路面再構築のための幾何学的基礎モデルの可能性を示す。
関連論文リスト
- RoGS: Adaptive Meshgrid Gaussian for Large-Scale Road Surface Mapping [20.534227619549487]
道路面のマッピングは、自律走行において重要な役割を担い、高精細マップの生成と車線レベルの知覚をサポートする。
近年,メッシュを用いた道路表面の復元手法は有望な成果を上げているが,再建品質の制限と高い最適化コストに悩まされている。
本稿では,適応型メッシュグリッドガウス表現に基づく,ロバストで効率的な道路面マッピングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-16T14:26:52Z) - Shape Your Ground: Refining Road Surfaces Beyond Planar Representations [35.63881467885378]
航空画像からの道路表面の再構築は、自律走行、都市計画、仮想シミュレーションに不可欠である。
既存の再建手法は、しばしば使用性を制限する人工物や不整合を生み出す。
我々は,非均一な合理的B-スプライン(NURBS)表面をフォトグラム再構成やジオデータ提供者から得られる3次元道路点に組み込むことにより,道路表面の平滑化に対処する最初のフレームワークであるFlexRoadを紹介した。
論文 参考訳（メタデータ） (2025-04-15T21:20:44Z) - FlexDrive: Toward Trajectory Flexibility in Driving Scene Reconstruction and Rendering [79.39246982782717]
経路外ビューの再構築の監督として,コンパクトで高品質な画像を作成するために,逆ビューワーピング技術を導入する。
提案手法は,広く使用されているOpenデータセット上で,経路内および経路外再構成およびレンダリング性能を向上する。
論文 参考訳（メタデータ） (2025-02-28T14:32:04Z) - StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。
StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。
スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
論文 参考訳（メタデータ） (2024-10-06T04:21:59Z) - RoGs: Large Scale Road Surface Reconstruction with Meshgrid Gaussian [10.50103969885774]
道路面の再建は自動運転において重要な役割を担っている。
本稿では,メッシュグリッドガウシアン(RoGs)を用いた大規模道路表面再構築手法を提案する。
様々な挑戦的な現実世界のシーンにおける道路面の再構築において,優れた結果を得た。
論文 参考訳（メタデータ） (2024-05-23T09:11:47Z) - NeRO: Neural Road Surface Reconstruction [15.99050337416157]
本稿では,道路路面を設計するためのMLP(Multi-Layer Perceptrons)フレームワークを設計し,世界座標x,yとして入力し,高さ,色,意味情報として出力する。
本手法の有効性は,車載カメラのポーズ,LiDAR点雲,SFM点雲などの道路高度源との互換性,スパースラベルやノイズセマンティック予測などの画像のセマンティックノイズに対する堅牢性,高速なトレーニング速度などにより実証される。
論文 参考訳（メタデータ） (2024-05-17T05:41:45Z) - Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳（メタデータ） (2024-04-11T10:26:40Z) - EMIE-MAP: Large-Scale Road Surface Reconstruction Based on Explicit Mesh and Implicit Encoding [21.117919848535422]
EMIE-MAPは,暗黙的メッシュと暗黙的符号化に基づく大規模道路表面再構成手法である。
本手法は,様々な現実の難易度シナリオにおいて,顕著な路面復元性能を実現する。
論文 参考訳（メタデータ） (2024-03-18T13:46:52Z) - Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。
近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。
本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文 参考訳（メタデータ） (2023-09-14T12:05:29Z) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳（メタデータ） (2022-11-15T13:52:41Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳（メタデータ） (2020-12-21T18:59:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。